人工智能驱动三维足踝力线自动量化评估框架的探索性研究

　　本研究针对传统二维X线难以充分评估足踝三维复杂对线、而负重CT(WBCT)人工标记又存在耗时与变异性的临床痛点，来自未知机构的研究人员开发了一种基于热图预测与3D U-Net深度学习模型的自动化评估框架，通过直接预测22个解剖标志点实现角度测量。结果显示标志点定位平均绝对误差为1.00–1.88 mm，衍生临床角度误差为0.91°–2.90°，精度媲美人工评估差异，为足踝形态学量化提供了极具潜力的AI解决方案。

　　

精准评估足踝对线对于畸形诊断、治疗规划及疗效监测至关重要。传统二维(2D)X线影像难以充分呈现足踝三维(3D)复杂性，而负重计算机断层扫描(Weight-Bearing CT, WBCT)则可提供生理负荷下的骨骼三维对位视图。然而，WBCT影像上的人工标志点识别仍存在耗时久、易产生人为差异的问题。

本研究提出了一种创新性人工智能(AI)框架，通过深度学习标志点检测技术实现足踝对线评估的自动化。研究方法基于训练3D U-Net模型，利用热图(heatmap)预测直接从WBCT图像中识别22个解剖标志点，无需进行图像分割或迭代网格配准。研究使用了一个包含74例骨科患者的小型数据集，其中包括高弓足(pes cavus)和平足外翻(planovalgus)等畸形病例，旨在在临床相关人群中开发和评估模型。采用五折交叉验证评估每个标志点和每个角度的平均绝对误差。

结果显示，标志点的平均绝对距离误差范围从第一趾骨近端头中心的1.00 mm到跟骨最低点的1.88 mm。基于这些标志点衍生的自动化临床测量指标——如后足角(hindfoot angle)平均绝对误差为0.91°，而 B?hler 角误差最大为2.90°——表明其测量精度较高。

结论认为，这种基于热图的AI方法能够实现WBCT影像的自动化足踝对线评估，其精度可与以往研究中报告的人工评估者间变异相媲美。该AI驱动的新方法为评估足踝形态提供了一种具有潜在价值的新途径。不过，这项探索性研究仍需更大规模数据集的进一步验证，以评估其真正的临床适用性。